CROLoss：面向推荐系统检索模型的可定制损失函数
信息检索
2024-11-12 v3
摘要
在大规模推荐系统中，在资源受限下准确检索出前 N 个相关候选至关重要。为评估此类检索模型性能，Recall@N（正样本在 top N 排序中被检索到的频率）被广泛使用。然而，大多数传统检索模型损失函数（如 softmax 交叉熵与成对比较方法）并不直接优化 Recall@N。此外，这些传统损失函数无法针对各应用所需特定检索大小 N 进行定制，从而可能导致次优性能。本文中，我们提出可定制 Recall@N 优化损失（CROLoss），一种可直接优化 Recall@N 指标并可针对不同 N 选择定制的损失函数。该 CROLoss 公式定义了更泛化的损失函数空间，将多数传统损失函数作为特例涵盖。进一步，我们提出 Lambda 方法，一种基于梯度的、引入更高灵活性并能进一步提升系统性能的方法。我们在两个公开基准数据集上评估所提 CROLoss。结果显示，对于不同检索大小 N 的选择，CROLoss 在两数据集上均相较传统损失函数取得 SOTA 结果。CROLoss 已部署至我们的在线电商广告平台，十四天在线 A/B 测试表明 CROLoss 带来了 4.75% 的业务收入显著增长。
引用
@article{arxiv.2208.02971,
title = {CROLoss: Towards a Customizable Loss for Retrieval Models in Recommender Systems},
author = {Yongxiang Tang and Wentao Bai and Guilin Li and Xialong Liu and Yu Zhang},
journal= {arXiv preprint arXiv:2208.02971},
year = {2024}
}
备注
9 pages, 5 figures. Accepted by by CIKM 2022